- •Ангелина Витальевна Яковлева
- •2. Основные математические предпосылки эконометрического моделирования. Закон больших чисел, неравенство и теорема Чебышева
- •3. Теоремы Бернулли и Ляпунова
- •4. Виды эконометрических моделей
- •5. Классификация эконометрических моделей
- •6. Этапы эконометрического моделирования. Проблемы, решаемые при эконометрическом исследовании
- •7. Сбор статистических данных для оценивания параметров эконометрической модели
- •8. Классификация видов эконометрических переменных и типов данных. Проблемы, связанные с данными
- •9. Общая модель парной (однофакторной) регрессии
- •10. Нормальная линейная модель парной (однофакторной) регрессии
- •11. Критерии оценки неизвестных коэффициентов модели регрессии
- •12. Оценивание неизвестных коэффициентов модели регрессии методом наименьших квадратов. Теорема Гаусса – Маркова
- •13. Система нормальных уравнений и явный вид ее решения при оценивании методом наименьших квадратов линейной модели парной регрессии
- •14. Оценка коэффициентов модели парной регрессии с помощью выборочного коэффициента регрессии
- •15. Оценка дисперсии случайной ошибки модели регрессии
- •16. Состоятельность и несмещённость мнк-оценок
- •17. Эффективность мнк-оценок мнк
- •18. Характеристика качества модели регрессии
- •19. Понятие статистической гипотезы. Общая постановка задачи проверки статистической гипотезы
- •20. Ошибки первого и второго рода. Понятие о статистических критериях. Критическая область, критические точки
- •21. Правосторонняя критическая область. Левосторонняя и двусторонняя критические области. Мощность критерия
- •22. Проверка гипотезы о значимости коэффициентов модели парной регрессии
- •23. Проверка гипотезы о значимости парного коэффициента корреляции
- •24. Проверка гипотезы о значимости модели парной регрессии. Теорема о разложении сумм квадратов
- •25. Точечный и интервальный прогнозы для модели парной регрессии
- •26. Линейная модель множественной регрессии
- •27. Классический метод наименьших квадратов для модели множественной регрессии. Метод Крамера
- •28. Линейная модель множественной регрессии стандартизированного масштаба
- •29. Соизмеримые показатели тесноты связи
- •30. Частные коэффициенты корреляции для линейной модели регрессии с двумя факторными переменными
- •31. Частные коэффициенты корреляции для модели множественной регрессии с тремя и более факторными переменными
- •32. Построение частных коэффициентов корреляции для модели множественной регрессии через показатель остаточной дисперсии и коэффициент множественной детерминации
- •33. Коэффициент множественной корреляции. Коэффициент множественной детерминации
- •34. Проверка гипотезы о значимости частного и множественного коэффициентов корреляции
- •35. Проверка гипотезы о значимости коэффициентов регрессии и модели множественной регрессии в целом
- •36. Процедура проверки адекватности оцененной линейной эконометрической модели на примере модели Оукена
- •37. Определение мультиколлинеарности. Последствия мультиколлинеарности. Методы обнаружения мультиколлинеарности
- •38. Методы устранения мультиколлинеарности
- •39. Модели регрессии, нелинейные по факторным переменным
- •40. Модели регрессии, нелинейные по оцениваемым коэффициентам
- •41. Модели регрессии с точками разрыва
- •42. Метод наименьших квадратов для моделей регрессии, нелинейных по факторным переменным
- •43. Метод наименьших квадратов для моделей регрессии, нелинейных по оцениваемым коэффициентам
- •44. Методы нелинейного оценивания коэффициентов модели регрессии
- •45. Показатели корреляции и детерминации для нелинейных моделей регрессии
- •46. Проверка гипотезы о значимости нелинейной модели регрессии. Проверка гипотезы о линейной зависимости между переменными модели регрессии
- •47. Тесты Бокса-Кокса и Зарембеки выбора модели регрессии
- •48. Коэффициенты эластичности
- •49. Производственные функции
- •50. Двухфакторная производственная функция Кобба-Дугласа
- •51. Показатели двухфакторной производственной функции Кобба-Дугласа
- •52. Метод наименьших квадратов для двухфакторной производственной функции Кобба-Дугласа. Эффект от масштаба производства
- •53. Двухфакторная производственная функция Солоу
- •54. Многофакторные производственные функции
- •55. Модели бинарного выбора
- •56. Метод максимума правдоподобия
- •57. Гетероскедастичность остатков модели регрессии
- •58. Тест Глейзера обнаружения гетероскедастичности остатков модели регрессии
- •59. Тест Голдфелда-Квандта обнаружения гетероскедастичности остатков модели регрессии
- •60. Устранение гетероскедастичности остатков модели регрессии
- •61. Автокорреляция остатков модели регрессии. Последствия автокорреляции. Автокорреляционная функция
- •62. Критерий Дарбина-Уотсона обнаружения автокорреляции остатков модели регрессии
- •63. Устранение автокорреляции остатков модели регрессии
- •64. Методы Кохрана-Оркутта и Хилдрета-Лу оценки коэффициента автокорреляции
- •65. Обобщённая модель регрессии. Обобщённый метод наименьших квадратов. Теорема Айткена
- •66. Доступный обобщённый метод наименьших квадратов. Взвешенный метод наименьших квадратов
- •67. Модели регрессии с переменной структурой. Фиктивные переменные
- •68. Тест Чоу
- •69. Спецификация переменных
- •70. Компоненты временного ряда
- •71. Метод проверки гипотезы о существовании тренда во временном ряду, основанный на сравнении средних уровней ряда
- •72. Критерий «восходящих и нисходящих» серий. Критерий серий, основанный на медиане выборочной совокупности
- •73. Метод Форстера-Стьюарта проверки гипотез о наличии или отсутствии тренда. Метод Чоу проверки стабильности тенденций
- •74. Аналитический вид тренда
- •75. Адекватность трендовой модели
- •76. Сезонные и циклические компоненты временного ряда
- •77. Сезонные фиктивные переменные
- •78. Одномерный анализ Фурье
- •79. Методы фильтрации временного ряда
- •80. Автокорреляция уровней временного ряда. Анализ структуры временного ряда на основании коэффициентов автокорреляции
- •81. Стационарный процесс. Стационарный временной ряд. Белый шум
- •82. Линейные модели стационарного временного ряда
- •83. Модель авторегрессии и проинтегрированного скользящего среднего
- •84. Показатели качества модели авторегрессии и проинтегрированного скользящего среднего
- •85. Критерий Дикки-Фуллера проверки наличия единичных корней
- •86. Цензурированные результативные переменные
- •87. Системы эконометрических уравнений
- •88. Структурная и приведённая формы системы одновременных уравнений. Идентификация модели
- •89. Условия идентификации структурной формы системы одновременных уравнений
- •90. Косвенный метод наименьших квадратов (кмнк)
- •91. Метод инструментальных переменных
- •92. Двухшаговый метод наименьших квадратов (дмнк)
- •93. Спецификация и приведенная форма эконометрических моделей в виде системы одновременных уравнений. Эконометрическая модель Самуэльсона-Хикса делового цикла экономики
- •94. Динамические эконометрические модели
- •95. Модели авторегрессии
- •96. Модели с распределённым лагом
- •97. Метод Алмон
- •98. Нелинейный метод наименьших квадратов. Метод Койка
- •99. Модель адаптивных ожиданий (мао)
- •100. Модель частичной (неполной) корректировки (мчк)
57. Гетероскедастичность остатков модели регрессии
Случайной ошибкойназывается отклонение в линейной модели множественной регрессии:
εi=yi–β0–β1x1i–…–βmxmi
В связи с тем, что величина случайной ошибки модели регрессии является неизвестной величиной, рассчитывается выборочная оценка случайной ошибки модели регрессии по формуле:
где ei – остатки модели регрессии.
Термин гетероскедастичность в широком смысле понимается как предположение о дисперсии случайных ошибок модели регрессии.
При построении нормальной линейной модели регрессии учитываются следующие условия, касающиеся случайной ошибки модели регрессии:
6) математическое ожидание случайной ошибки модели регрессии равно нулю во всех наблюдениях:
7) дисперсия случайной ошибки модели регрессии постоянна для всех наблюдений:
8) между значениями случайных ошибок модели регрессии в любых двух наблюдениях отсутствует систематическая взаимосвязь, т. е. случайные ошибки модели регрессии не коррелированны между собой (ковариация случайных ошибок любых двух разных наблюдений равна нулю):
Второе условие
означает гомоскедастичность (homoscedasticity – однородный разброс) дисперсий случайных ошибок модели регрессии.
Под гомоскедастичностью понимается предположение о том, что дисперсия случайной ошибки βi является известной постоянной величиной для всех наблюдений.
Но на практике предположение о гомоскедастичности случайной ошибки βi или остатков модели регрессии ei выполняется не всегда.
Под гетероскедастичностью (heteroscedasticity – неоднородный разброс) понимается предположение о том, что дисперсии случайных ошибок являются разными величинами для всех наблюдений, что означает нарушение второго условия нормальной линейной модели множественной регрессии:
Гетероскедастичность можно записать через ковариационную матрицу случайных ошибок модели регрессии:
Тогда можно утверждать, что случайная ошибка модели регрессии βi подчиняется нормальному закону распределения с нулевым математическим ожиданием и дисперсией G2Ω:
εi~N(0; G2Ω),
где Ω – матрица ковариаций случайной ошибки.
Если дисперсии случайных ошибок
модели регрессии известны заранее, то проблема гетероскедастичности легко устраняется. Однако в большинстве случаев неизвестными являются не только дисперсии случайных ошибок, но и сама функция регрессионной зависимости y=f(x), которую предстоит построить и оценить.
Для обнаружения гетероскедастичности остатков модели регрессии необходимо провести их анализ. При этом проверяются следующие гипотезы.
Основная гипотеза H0 предполагает постоянство дисперсий случайных ошибок модели регрессии, т. е. присутствие в модели условия гомоскедастичности:
Альтернативная гипотеза H1 предполагает непостоянство дисперсиий случайных ошибок в различных наблюдениях, т. е. присутствие в модели условия гетероскедастичности:
Гетероскедастичность остатков модели регрессии может привести к негативным последствиям:
1) оценки неизвестных коэффициентов нормальной линейной модели регрессии являются несмещёнными и состоятельными, но при этом теряется свойство эффективности;
2) существует большая вероятность того, что оценки стандартных ошибок коэффициентов модели регрессии будут рассчитаны неверно, что конечном итоге может привести к утверждению неверной гипотезы о значимости коэффициентов регрессии и значимости модели регрессии в целом.